Google ADK Python Skill

您是Google Agent Development Kit (ADK) Python的专家指南 - 一个开源的、代码优先的工具包，用于构建、评估和部署AI代理。

使用此技能的时机

当用户需要时使用此技能：

构建具有工具集成和编排能力的AI代理
创建具有分层协调功能的多代理系统
为可预测的流水线实现工作流代理（顺序、并行、循环）
将LLM驱动的代理与Google搜索、代码执行或自定义工具集成
将代理部署到Vertex AI Agent Engine、Cloud Run或自定义基础设施
系统地评估和测试代理性能
实现工具执行的人工参与审批流程

核心概念

代理类型

LlmAgent: 具有动态路由和自适应行为的LLM驱动代理

用名称、模型、指令、描述和工具定义
支持子代理进行委托和协调
基于上下文的智能决策

Workflow Agents: 结构化的、可预测的编排模式

SequentialAgent: 按定义顺序执行代理
ParallelAgent: 并发运行多个代理
LoopAgent: 使用迭代逻辑重复执行

BaseAgent: 自定义代理实现的基础

关键组件

Tools Ecosystem:

预构建工具（google_search、code_execution）
将自定义Python函数作为工具
OpenAPI规范集成
用于人工批准的工具确认流程

Multi-Agent Architecture:

分层代理组合
针对特定领域的专业代理
用于委托的协调器代理

安装

# 稳定版本（推荐）
pip install google-adk

# 开发版本（最新功能）
pip install git+https://github.com/google/adk-python.git@main

实现模式

带有工具的单代理

from google.adk.agents import LlmAgent
from google.adk.tools import google_search

agent = LlmAgent(
    name="search_assistant",
    model="gemini-2.5-flash",
    instruction="You are a helpful assistant that searches the web for information.",
    description="Search assistant for web queries",
    tools=[google_search]
)

多代理系统

from google.adk.agents import LlmAgent

# 专业代理
researcher = LlmAgent(
    name="Researcher",
    model="gemini-2.5-flash",
    instruction="Research topics thoroughly using web search.",
    tools=[google_search]
)

writer = LlmAgent(
    name="Writer",
    model="gemini-2.5-flash",
    instruction="Write clear, engaging content based on research.",
)

# 协调器代理
coordinator = LlmAgent(
    name="Coordinator",
    model="gemini-2.5-flash",
    instruction="Delegate tasks to researcher and writer agents.",
    sub_agents=[researcher, writer]
)

自定义工具创建

from google.adk.tools import Tool

def calculate_sum(a: int, b: int) -> int:
    """Calculate the sum of two numbers."""
    return a + b

# 将函数转换为工具
sum_tool = Tool.from_function(calculate_sum)

agent = LlmAgent(
    name="calculator",
    model="gemini-2.5-flash",
    tools=[sum_tool]
)

顺序工作流

from google.adk.agents import SequentialAgent

workflow = SequentialAgent(
    name="research_workflow",
    agents=[researcher, summarizer, writer]
)

并行工作流

from google.adk.agents import ParallelAgent

parallel_research = ParallelAgent(
    name="parallel_research",
    agents=[web_researcher, paper_researcher, expert_researcher]
)

人工参与循环

from google.adk.tools import google_search

# 需要确认的工具
agent = LlmAgent(
    name="careful_searcher",
    model="gemini-2.5-flash",
    tools=[google_search],
    tool_confirmation=True  # 执行前需要批准
)

部署选项

Cloud Run 部署

# 容器化代理
docker build -t my-agent .

# 部署到 Cloud Run
gcloud run deploy my-agent --image my-agent

Vertex AI Agent Engine

# 部署到 Vertex AI 以实现可扩展的代理托管
# 与 Google Cloud 的托管基础设施集成

自定义基础设施

# 在本地或自定义服务器上运行代理
# 对部署环境的完全控制

模型支持

优化用于 Gemini:

gemini-2.5-flash
gemini-2.5-pro
gemini-1.5-flash
gemini-1.5-pro

模型无关: 虽然针对 Gemini 优化，但 ADK 通过标准 API 支持其他 LLM 提供商。

最佳实践

代码优先哲学: 在 Python 中定义代理，便于版本控制、测试和灵活性
模块化设计: 创建针对特定领域的专业代理，组合成系统
工具集成: 利用预构建工具，用自定义函数扩展
评估: 系统地针对测试用例测试代理
安全性: 为敏感操作实现确认流程
分层结构: 使用协调器代理处理复杂的多代理工作流
工作流选择: 对于可预测的流水线选择工作流代理，对于动态路由选择 LLM 代理

常见用例

研究助手: 网络搜索 + 总结 + 报告生成
代码助手: 代码执行 + 文档 + 调试
客户支持: 查询路由 + 知识库 + 升级
内容创作: 研究 + 写作 + 编辑流水线
数据分析: 数据获取 + 处理 + 可视化
任务自动化: 具有条件逻辑的多步骤工作流

开发 UI

ADK 包括内置界面，用于：

交互式测试代理行为
调试工具调用和响应
评估代理性能
迭代代理设计

资源

GitHub: https://github.com/google/adk-python
文档: https://google.github.io/adk-docs/
llms.txt: https://raw.githubusercontent.com/google/adk-python/refs/heads/main/llms.txt

实现工作流

实现基于 ADK 的代理时：

定义需求: 确定代理能力和所需工具
选择架构: 单代理、多代理或基于工作流
选择工具: 预构建、自定义函数或 OpenAPI 集成
实现代理: 创建带有指令和工具的代理定义
本地测试: 使用开发 UI 进行迭代
添加评估: 为系统验证创建测试用例
部署: 选择 Cloud Run、Vertex AI 或自定义基础设施
监控: 跟踪代理性能并迭代

记住: ADK 将代理开发视为传统软件工程 - 使用版本控制、编写测试并遵循工程最佳实践。